데이터의 범주형 상관관계를 확인하는 방법안녕,
나는 이와 같은 데이터를 가지고 있으며 실패하다 열을 다른 범주형 열로 전환합니다.
jmp의 통계 테스트란 무엇이며 이를 어떻게 적용할 수 있나요?
어떤 제안이 있으십니까?
기본 데이터 분석 및 모델링품질 및 프로세스 엔지니어링Re: 데이터에서 범주형 상관관계를 확인하는 방법JMP 출력은 때때로 다소 장황할 수 있습니다. 하지만 반드시 전부 필요한 것은 아닙니다. 설명을 위해 동일한 예를 사용하겠습니다.
MCA 이중 플롯은 변수 간 연관성의 특성을 이해하기 위해 각 변수의 모든 수준을 보여줍니다. 카이 제곱 값은 거리 측정값입니다. 따라서 좋거나 나쁜 카이제곱은 없습니다. 비교 기준이 없습니다. 그것은 단지 정보일 뿐입니다. 먼저 연관성이 통계적으로 유의한지 결정한 다음 MCA를 사용하여 연관성의 특성을 조사할 수 있다는 아이디어입니다. MCA는 해석적입니다.
두 변수가 밀접하게 연관되어 있다고 가정해 보겠습니다. 어떤 방법으로? MCA 플롯이 알려줍니다. 원래 범주형 변수는 다음과 같은 연속 거리 측정값으로 다시 캐스팅됩니다. 중심 모든 데이터의. 중심을 데이터 테이블의 평균 행으로 생각하십시오. 각각의 새로운 거리 측정값은 새로운 차원 또는 축을 정의합니다. 이러한 차원은 직교 데카르트 좌표에서 예상한 대로입니다. 각 차원은 모든 원래 범주형 변수의 고유한 정보를 나타냅니다. 이 차원은 내림차순으로 정렬됩니다. 관성 . 관성을 한 차원의 중심으로부터의 총 거리로 생각하십시오. (관성에 대한 기호는 그리스어 소문자입니다. 람다 .) 따라서 첫 번째 차원은 레벨을 최대한 분리합니다. 두 번째 차원은 첫 번째 차원보다는 적지만 나머지 차원보다는 높은 수준을 분리합니다. 따라서 처음 두 차원은 연결에 대한 대부분의 정보를 표시합니다.
다음과 같은 하나의 변수로 시작하십시오. 섹스 . 주의할 점은 남성 그리고 여성 플롯의 수준은 두 번째 차원을 따라 반대 방향으로 원점에서 멀리 떨어져 있지만 첫 번째 차원을 따라 가깝습니다(즉, 0에 가깝습니다). 이제 다른 변수를 살펴보겠습니다. 국가 . 그만큼 미국 사람 그리고 일본어 수준은 첫 번째 차원에서는 원점에서 멀리 떨어져 있지만 두 번째 차원에서는 0에 가깝습니다. 반면, 유럽 사람 level은 첫 번째 차원에서는 0에 가깝지만 두 번째 차원에서는 상당히 음수입니다. 동일한 변수 수준에 대해 원점에서 멀어지는 방향과 거리를 모두 평가할 수 있습니다.
이제 다음과 같은 두 가지 변수를 동시에 고려하십시오. 국가 그리고 크기 . 이 두 변수 사이의 일반적인 연관성은 다음과 같이 볼 수 있습니다. 일본어 ~와 함께 작은 , 미국 사람 ~와 함께 크기가 큰 , 그리고 마지막으로 유럽 사람 ~와 함께 중간 .다양한 변수 수준에 대해서만 원점에서 멀어지는 방향을 평가할 수 있습니다.
Re: 데이터에서 범주형 상관관계를 확인하는 방법안녕하세요 마크, @markbailey
링크를 보내주셔서 감사합니다. 예, 내 통계는 제한되어 있지만 배우고 싶은 야망이 있습니다.) 예제 중 하나를 시도했는데 소화할 수 있을 만큼 매우 복잡한 결과가 나왔습니다.
내가 바라봤을 때 https://www.jmp.com/support/help/en/15.2/#page/jmp/multiple-correspondence-analytic.shtml#
나는 카이 제곱 숫자가 숫자에 따라 어떻게 좋은지 나쁜지 이해하지 못합니다.
여기서 결정해야 할 임계값은 무엇입니까?
y축 및 x축 크기를 선택하는 방법. 드롭다운에 여러 측정기준이 있는 경우 어느 것이 가장 좋나요?
y축과 x축의 람다 수는 무엇입니까?
Re: 데이터에서 범주형 상관관계를 확인하는 방법나는에 몇 가지 의견을 추가하고 싶습니다 @txnelson 님의 지도. 첫째, 나는 귀하의 통계 배경을 모르므로 최소한이라고 가정합니다. 당신은 그로부터 많은 것을 얻을 것이다. Contingency 플랫폼에 대한 설명 및 예시 .
또한 다음을 사용하는 것이 좋습니다. 다중 대응 분석 플랫폼 . 이는 다양한 수준과 변수에 걸친 범주형 데이터를 위해 특별히 설계되었습니다. 주요 강점은 해석을 돕기 위한 이중 플롯입니다. 카이 제곱 통계는 연관성의 통계적 유의성을 결정하는 데 사용될 수 있습니다. 승산비는 연관성의 강도를 평가하는 데 사용될 수 있습니다. 그러나 이러한 통계 중 어느 것도 협회의 성격에 대해 알려주지 않습니다. MCA가 당신을 위해 그렇게 할 것입니다.
Re: 데이터에서 범주형 상관관계를 확인하는 방법Fit Y by X 플랫폼을 사용하세요. 실패를 X 요소로 배치하고 관심 있는 다른 열을 응답 변수로 배치합니다. R Square 및 Chi Square 유의성 테스트를 제공합니다.
